Vector Database dan Embedding: Penjelasan Sederhana

Vector database adalah database yang menyimpan data dalam bentuk deretan angka (vektor), sehingga sistem bisa mencari informasi berdasarkan kemiripan makna, tidak sekadar kecocokan kata. Deretan angka ini disebut embedding. Kalau Anda sedang membangun fitur “tanya jawab dokumen” atau pencarian yang lebih pintar, dua istilah ini hampir pasti muncul.

Contoh sederhana: karyawan mengetik “berapa hari jatah cuti tahunan?” di sistem internal. Dokumen SOP HR Anda tidak memuat kalimat itu persis, yang tertulis adalah “hak istirahat tahunan 12 hari kerja”. Pencarian kata biasa akan gagal. Pencarian berbasis embedding bisa menemukannya karena maknanya mirip.

Artikel ini menjelaskan cara kerjanya tanpa matematika berat, pilihan tools yang umum, dan hal praktis yang sering terlewat seperti chunking dan biaya.

Apa itu embedding

Embedding adalah hasil “terjemahan” teks menjadi deretan angka oleh model AI khusus yang disebut embedding model. Satu kalimat, satu paragraf, atau satu halaman dokumen diubah menjadi satu vektor berisi ratusan sampai ribuan angka.

Anda tidak perlu membaca angkanya. Yang penting adalah sifatnya: teks yang maknanya mirip akan menghasilkan vektor yang posisinya berdekatan. “Jatah cuti tahunan” dan “hak istirahat tahunan” akan berdekatan. “Jatah cuti tahunan” dan “harga semen per sak” akan berjauhan.

Sebagai gambaran ukuran: model text-embedding-3-small dari OpenAI secara default menghasilkan vektor dengan 1.536 angka, dan text-embedding-3-large menghasilkan 3.072 angka. Penyedia lain seperti Google, Cohere, atau model open source juga punya embedding model sendiri dengan ukuran berbeda.

Satu aturan penting: dokumen dan pertanyaan harus diubah dengan model embedding yang sama. Vektor dari dua model berbeda tidak bisa dibandingkan, mirip seperti membandingkan koordinat dari dua peta dengan skala berbeda.

Cara kerja pencarian semantik

Pencarian berbasis makna disebut pencarian semantik. Alurnya kira-kira begini:

  1. Siapkan dokumen. Misalnya SOP, katalog produk, FAQ pelanggan, atau kontrak.
  2. Potong jadi bagian kecil (chunk), misalnya per beberapa paragraf.
  3. Ubah tiap chunk jadi embedding, lalu simpan di vector database bersama teks aslinya dan info tambahan (judul dokumen, tanggal, divisi).
  4. Saat ada pertanyaan, ubah pertanyaan itu jadi embedding dengan model yang sama.
  5. Cari vektor terdekat. Vector database mengembalikan beberapa chunk yang paling mirip maknanya.
  6. Pakai hasilnya. Tampilkan langsung sebagai hasil pencarian, atau kirim ke LLM untuk dirangkum menjadi jawaban.

Langkah 6 versi kedua inilah yang disebut RAG (retrieval-augmented generation). LLM menyusun jawaban dari potongan dokumen yang ditemukan tadi. Penjelasan lengkapnya ada di artikel RAG adalah, dan contoh membangunnya ada di RAG di n8n.

Vector database dibutuhkan karena mencari “vektor terdekat” di antara jutaan vektor itu berat kalau dilakukan satu per satu. Database khusus ini memakai indeks pintar supaya pencarian tetap cepat, dengan kompromi hasilnya “hampir pasti” terdekat, tidak dijamin 100% terdekat.

Pilihan vector database

Ada dua kelompok besar: menambahkan kemampuan vektor ke database yang sudah Anda pakai, atau memakai database yang memang khusus untuk vektor.

Pilihan Jenis Cocok untuk
PostgreSQL + pgvector Ekstensi open source untuk Postgres Tim yang sudah memakai Postgres dan datanya belum sangat besar
Supabase Postgres terkelola, mendukung pgvector Tim kecil yang ingin cepat mulai tanpa urus server
Qdrant Vector database open source, ada versi cloud Self-host dengan performa baik dan filter metadata
Pinecone Layanan cloud terkelola Tim yang tidak mau mengurus infrastruktur sama sekali
Weaviate, Milvus, Chroma Open source, sebagian ada versi cloud Kebutuhan khusus atau eksperimen

Untuk kebanyakan bisnis kecil dan menengah, saran kami sederhana: kalau Anda sudah punya PostgreSQL, mulai dengan pgvector. Satu database lebih sedikit berarti satu hal lebih sedikit yang perlu dirawat, di-backup, dan diamankan. Pindah ke database khusus baru dipertimbangkan kalau jumlah vektor sudah jutaan atau kecepatan mulai terasa kurang.

Kalau Anda membangun alurnya di n8n, tersedia node vector store bawaan untuk PGVector, Supabase, Qdrant, Pinecone, dan beberapa lainnya, plus Simple Vector Store yang menyimpan data di memori n8n. Simple Vector Store enak untuk mencoba, tapi datanya tidak cocok untuk produksi karena tidak disimpan permanen.

Chunking: langkah kecil yang menentukan kualitas

Chunking adalah cara memotong dokumen sebelum diubah jadi embedding. Banyak tim fokus memilih database, padahal kualitas jawaban lebih sering ditentukan di sini.

Masalah yang sering muncul:

  • Chunk terlalu besar. Satu chunk berisi lima topik sekaligus, sehingga maknanya kabur dan susah ditemukan.
  • Chunk terlalu kecil. Kalimat terpotong dari konteksnya. “Maksimal 12 hari” tanpa keterangan 12 hari untuk apa.
  • Memotong di tengah tabel atau daftar. Isi tabel harga terpisah dari judul kolomnya.
  • Tidak ada metadata. Chunk dari SOP versi lama dan versi baru tercampur tanpa tanda tanggal.

Beberapa praktik yang biasanya berhasil:

  • Potong mengikuti struktur dokumen, misalnya per judul bagian atau per pasal.
  • Beri sedikit tumpang tindih (overlap) antar chunk supaya konteks tidak hilang di perbatasan.
  • Tambahkan judul dokumen dan judul bagian di awal setiap chunk.
  • Simpan metadata seperti nama dokumen, divisi, dan tanggal berlaku, supaya pencarian bisa difilter.
  • Hapus atau tandai dokumen kedaluwarsa. Vector database tidak tahu mana aturan yang masih berlaku.

Uji hasilnya dengan 20 sampai 30 pertanyaan nyata dari tim. Cek apakah chunk yang ditemukan memang relevan sebelum menyalahkan LLM-nya.

Biaya dan performa

Biaya sistem berbasis embedding datang dari tiga tempat:

  1. Membuat embedding. Dibayar per token (potongan kata) ke penyedia model, atau gratis kalau memakai model open source di server sendiri. Biaya ini terutama muncul saat pertama memasukkan dokumen dan saat dokumen diperbarui. Untuk ribuan halaman dokumen internal, biasanya relatif kecil dibanding biaya LLM untuk menjawab.
  2. Menyimpan dan mencari. Tergantung pilihan: pgvector cukup menumpang di server Postgres yang ada, layanan cloud seperti Pinecone atau Qdrant Cloud menagih sesuai kapasitas dan pemakaian.
  3. Menjawab dengan LLM (kalau memakai RAG). Ini sering jadi komponen terbesar, karena setiap pertanyaan mengirim beberapa chunk ke model.

Harga penyedia model dan layanan cloud berubah cukup sering. Per Oktober 2026, cek halaman harga resmi masing-masing sebelum membuat anggaran.

Untuk performa, perhatikan dua hal. Pertama, ukuran vektor: vektor 3.072 angka butuh ruang penyimpanan dua kali lipat vektor 1.536 angka, dan belum tentu hasilnya jauh lebih baik untuk kasus Anda. Kedua, indeks: pada pgvector, misalnya, pencarian tanpa indeks akan membandingkan satu per satu dan melambat saat data bertambah. Tambahkan indeks yang sesuai begitu jumlah chunk mulai besar.

Kapan tidak perlu vector database

Tidak semua pencarian butuh embedding. Kalau pengguna mencari berdasarkan kode produk, nomor invoice, atau nama pelanggan, pencarian biasa di database atau spreadsheet sudah cukup dan lebih akurat. Embedding paling berguna saat pertanyaannya ditulis dengan bahasa bebas dan kata-katanya bisa berbeda dengan isi dokumen.

Banyak sistem yang baik justru menggabungkan keduanya: pencarian kata untuk hal yang pasti, pencarian semantik untuk pertanyaan bebas. Pola ini sering disebut hybrid search. Untuk memahami bagian LLM-nya, baca juga LLM adalah.

Kalau tim Anda ingin membangun pencarian dokumen internal atau asisten tanya jawab tapi bingung mulai dari mana, Aqilatic bisa membantu menilai apakah kebutuhan Anda benar-benar perlu vector database. Mulai dengan audit proses gratis, atau lihat dulu layanan AI kami.

Pertanyaan yang sering muncul

Apakah vector database menggantikan database biasa?

Tidak. Vector database melengkapi database biasa. Data transaksi, stok, dan pelanggan tetap di database biasa. Vector database dipakai khusus untuk pencarian berdasarkan makna.

Apakah embedding bisa dipakai untuk dokumen berbahasa Indonesia?

Bisa. Banyak embedding model modern mendukung banyak bahasa, termasuk Bahasa Indonesia. Tetap uji dengan pertanyaan nyata dari tim Anda, karena kualitasnya berbeda antar model.

Kalau ganti model embedding, apa yang harus dilakukan?

Semua dokumen harus diubah ulang menjadi embedding dengan model baru. Vektor dari model lama tidak bisa dicampur dengan vektor dari model baru.